AIGC热门技术

AIGC热门技术

AIGC技术中，耳熟能详的当属GPT和Stable Diffusion了，作为一个技术er，应当了解一下其中的核心技术：Transformer、GPT、Diffusion、CLIP、Stable Diffusion

3.2.1 Transformer

Transformer主要用在语言模型（LM）上，Transformer是一个完全依赖于自注意力机制（Self-Attention）来计算其输入和输出的表示的转换模型，可以并行同时处理所有的输入数据，模仿人类联系上下文的习惯，从而更好地为大语言模型（LLM）注入意义并支持处理更大的数据集。

自注意力机制(Self-Attention)：例：翻译The animal didn’t cross the street because it was too tired. 以前的模型在处理该句子时，无法像人类一样判断it代指animal还是street，而Self-Attention机制的引入使得模型不仅能够关注当前位置的词，还能够关注句子中其他位置的词，从而在翻译时关联it和animal，提高翻译质量

语言模型(LM)是指对语句概率分布的建模。具体是判断语句的语序是否正常，是否可以被人类理解。它根据句子中先前出现的单词，利用正确的语序预测句子中下一个单词，以达到正确的语义。例如，模型比较“我是人类”和“是人类我”出现的概率，前者是正确语序，后者是错误语序，因此前者出现的概率比后者高，则生成的语句为“我是人类”

大型语言模型(LLM)是基于海量数据集进行内容识别、总结、翻译、预测或生成文本等的语言模型。相比于一般的语言模型，LLM 识别和生成的**度会随参数量的提升大幅提高。

这里仅列出了Transformer整体模型。

3.2.2 GPT

当前最热门的大模型ChaPT，其采用的大规模预训练模型GPT-3.5，核心便是transformer和RLHF两种语言模型。GPT的全称是Generative Pre-Trained Transformer，顾名思义，GPT的目的就是以Transformer为基础模型，使用预训练技术得到通用的文本模型。

预训练：指先通过一部分数据进行初步训练，再在这个训练好的基础模型上进行重复训练，或者说“微调”；

推理：指将预训练学习到的内容作为参考，对新的内容进行生成或判断。

预训练是模型运作的主要部分，所需要的精度较高，算力需求也较高;推理则相反。

人类反馈信号强化学习（RLHF）：指使用强化学习的方式直接优化带有人类反馈的语言模型，使得语言模型能够与复杂的人类价值观“对齐”。它负责 ChaPT 预训练中微调的部分，首先在人类的帮助下训练一个奖赏网络(RM)，RM 对多个聊天回复的质量进行排序， 从而增加 ChaPT 对话信息量，使其回答具有人类偏好。

目前已经公布论文的有文本预训练GPT-1，GPT-2，GPT-3，以及图像预训练iGPT。GPT-4是一个多模态模型，具体细节没有公布。最近非常火的ChaPT和今年年初公布的InstrucPT是一对姐妹模型，是在GPT-4之前发布的预热模型，有时候也被叫做GPT3.5。ChaPT和InstrucPT在模型结构，训练方式上都完全一致，即都使用了指示学习（Instruction Learning）和人工反馈的强化学习（Reinforcement Learning from Human Feedback，RLHF）来指导模型的训练，它们不同的仅仅是采集数据的方式上有所差异。如下图所示，GPT-1，GPT-2，GPT-3三代模型都是采用的以Transformer为核心结构的模型，不同的是模型的层数和词向量长度等超参。

（其中Trm是一个Transformer结构）

下面将从GPT-1、GPT-2、GPT3、GPT3.5一直到GPT4，对GPT做一个简单介绍。